# BasicSR

**Repository Path**: fishing-maintenance/basic-sr

## Basic Information

- **Project Name**: BasicSR
- **Description**: 毕设
基于 swinir 的项目
name：基于超分辨率的低分辨率图片增强系统设计与实现
基于 swinir 预训练，fastapi 技术的项目，提供训练功能，srcnn 插值超分方法，以及ui 对比各个超分方法的功能
纯 ai 项目，启动方法参见 readme.md或者 ai
挠头
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: main
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2026-02-09
- **Last Updated**: 2026-05-13

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 基于超分辨率的低分辨率图片增强系统设计与实现

> 基于 SwinIR 预训练 + FastAPI + Vue.js 的图像超分辨率系统，提供训练、推理、对比一体化功能。

## 基础技术

**SwinIR** | **Swin Transformer** | **SRCNN** | **FastAPI** | **Vue.js**

主要功能：对上传的低分辨率图片进行超分  
在超分辨率部分的代码，提供了 **SRCNN 训练**、**双插值生成**、**SwinIR 训练**与对应模型生成的功能  
并且在完整前后端还提供了 **UI 界面**、**一键化超分**、**不同模型之间的超分对比**、常见指标如 **PSNR、SSIM、LPIPS、NIQE** 对比的功能

   
本项目训练 swinir使用DIV2K 、Flickr2K、BSD300作为训练集， 使用DIV2K 、Set14、Urban100、BSD300 作为验证集，使用了官方 ['001_classicalSR_DF2K_s64w8_SwinIR-M_x2.pth'](https://github.com/JingyunLiang/SwinIR/releases)的预训练权重与网络文件

---

## 应用场景

- 低分辨率图片增强（2x / 3x / 4x 超分）
- 不同超分算法效果对比（SwinIR vs SRCNN vs 插值）
- 图像质量客观指标评估
- 自定义模型训练与微调

---

## 项目结构

```
code_dir/
├── back_end/back_end_edu_project/    # FastAPI 后端
│   ├── main.py                        # 主服务入口
│   ├── ct.py                          # 图像质量指标计算（PSNR/SSIM/LPIPS/NIQE）
│   ├── supportting/utils.py           # 工具函数
│   ├── run/                           # 推理脚本
│   │   ├── swinir_model.py            # SwinIR 推理
│   │   ├── srcnn_model.py             # SRCNN 推理
│   │   ├── srcnn_run.py               # SRCNN 运行入口
│   │   └── resolution_run.py          # 插值基准方法
│   └── weights/                       # 预训练权重存放目录
│
├── web_site/web_isr/                  # Vue.js 前端
│   ├── src/App.vue                    # 主界面
│   └── src/components/
│       ├── ai_isr.vue                 # 超分交互页面
│       ├── train_.vue                 # 训练管理页面
│       └── App_save.vue               # 多模型对比页面
│
├── srcnn_train_code/                  # SRCNN 训练模块
│   ├── srcnn_model.py                 # SRCNN 网络定义（3层CNN）
│   ├── srcnn_run.py                   # 训练脚本
│   └── srcnn_x2.pth                   # 预训练权重
│
└── swinir_train_code/py_files/new_version/   # SwinIR 训练模块
    ├── network_swinir.py              # SwinIR 官方网络架构
    ├── swinir_model.py                # 模型封装与加载
    ├── cloud_dataset.py               # 云端数据集处理
    ├── losses.py                      # 多指标损失函数
    ├── run_on_cloud_enhanced.py       # 推荐：增强版训练脚本
    ├── run_on_cloud_ddp.py            # 多卡 DDP 训练
    ├── phase1_clean.json              # 阶段1配置
    ├── phase2_degrade.json            # 阶段2配置
    └── phase3_perceptual.json         # 阶段3配置
```

---

## 快速启动

### 1. 安装依赖

```bash
pip install torch numpy pillow opencv-python fastapi uvicorn python-multipart aiofiles lpips pyiqa torchvision
```

前端依赖：
```bash
cd code_dir/web_site/web_isr
npm install
```

### 2. 启动后端

```bash
cd code_dir/back_end/back_end_edu_project
python main.py
# 或使用 uvicorn
uvicorn main:app --host 0.0.0.0 --port 8000 --reload
```

### 3. 启动前端

```bash
cd code_dir/web_site/web_isr
npm run serve
```

---

## 训练

SwinIR 使用了官方的网络，官方的预训练权重  
我们采取了 **三阶段训练**，

__第一阶段：像素精度极限（Clean → 纯 L1）__  
__Phase 2：真实退化对抗（Degrade → L1+SSIM+LPIPS）__  
__Phase 3：感知质量优化（Perceptual → 混合损失）__  

第一阶段着重 PSNR，第二阶段着重降噪，第三阶段是多指标训练，着重优化 NIQE、LPIPS 等指标

### 启动训练

```bash
# 推荐使用增强版训练脚本（支持 DDP、断点续训、多指标损失、智能学习率调度）
torchrun --nproc_per_node=2 run_on_cloud_enhanced.py --config ./phase1_clean.json

# Phase 2
torchrun --nproc_per_node=2 run_on_cloud_enhanced.py --config ./phase2_degrade.json

# Phase 3
torchrun --nproc_per_node=2 run_on_cloud_enhanced.py --config ./phase3_perceptual.json
```

---

## 后端 API 功能

后端基于 **FastAPI** 构建，主要接口：

| 接口 | 功能 |
|------|------|
| 图片上传 | 接收用户上传的低分辨率图片 |
| 超分处理 | 支持 SwinIR / SRCNN / 插值 三种方式 |
| 训练管理 | 触发训练流程、传递参数配置 |
| 质量评估 | 返回 PSNR、SSIM、LPIPS、NIQE 指标 |
| 结果对比 | 多模型结果并排返回 |
| 静态文件 | 处理后的图片下载 |

---

## 前端界面

| 页面 | 说明 |
|------|------|
| **ai_isr.vue** | 主超分页面：上传图片、选择模型、执行超分、查看结果 |
| **train_.vue** | 训练管理：配置参数、启动训练、查看日志 |
| **App_save.vue** | 对比中心：多模型结果并排对比、指标对比、保存结果 |

---

## 三阶段训练配置对比

| 参数 | Phase 1 (Pixel) | Phase 2 (Degrade) | Phase 3 (Perceptual) |
|------|-----------------|-------------------|---------------------|
| 目标 | 像素精度极限 | 学习真实退化 | 视觉质量优化 |
| Pretrained | 官方 SwinIR | Phase 1 best | Phase 2 best |
| Degradation | clean | second_order | second_order |
| w-l1 | 1.0 | 1.0 | 0.3 |
| w-ssim | 0.0 | 0.3 | 0.3 |
| w-lpips | 0.0 | 0.05 | 0.3 |
| w-fft | 0.0 | 0.0 | 0.5 |
| w-edge | 0.0 | 0.0 | 0.2 |
| LR | 2e-4 | 2e-4 | 1e-4 |
| Epochs | 500 | 300 | 200 |

---

## 支持的超分方式对比

| 算法 | 类型 | 速度 | 效果 | 适用场景 |
|------|------|------|------|---------|
| **SwinIR** | Transformer | 较慢 | 最佳 | 高质量超分需求 |
| **SRCNN** | CNN（浅层）| 快 | 一般 | 实时性要求高的场景 |
| **双插值** | 传统方法 | 最快 | 一般 | 基线对比、资源受限 |

---

## 项目特点

- **完整的端到端系统**：训练 → 推理 → 前端交互，全部打通
- **多算法对比**：三种方法并排对比，指标量化差异
- **三阶段渐进训练**：从像素精度到感知质量的渐进优化
- **工业级训练特性**：DDP 分布式、断点续训、早停、EMA
- **丰富的评估指标**：PSNR、SSIM、LPIPS、NIQE 全覆盖
- **纯 AI 项目，启动方法参见 readme.md 或者 AI 挠头**

## tips
当前所有训练参数均基于 50vcpu 与双卡 5090的硬件基础